Data / IA
Dr Victor Juan Mateu (TII) : « L’objectif n’est pas de remplacer les chercheurs, mais de les augmenter »
Par Laurent Delattre, publié le 16 juillet 2026
Rencontré à l’occasion de l’AI for Good Global Summit 2026, le Dr Victor Juan Mateu, Chief Researcher du Technology Innovation Institute, explique comment l’IA agentique transforme déjà les travaux de recherche. Agents spécialisés, supervision humaine calibrée, cloisonnement strict et combinaison de grands et petits modèles : le chercheur dessine une architecture pragmatique pour accélérer le passage de l’idée au produit sans perdre le contrôle.
Du 7 au 10 juillet 2026, l’AI for Good Global Summit a réuni au Palexpo de Genève chercheurs, industriels, décideurs publics et représentants des États autour des usages responsables de l’intelligence artificielle. Organisée par l’Union internationale des télécommunications en partenariat avec plus de cinquante agences des Nations Unies, cette plateforme mondiale confronte les promesses technologiques aux enjeux de sécurité, de normalisation, de compétences et de développement durable.
L’occasion pour Thomas Pagbé de recevoir sur le plateau TV d’IT for Business, installé au cœur de l’évènement, le Dr Victor Juan Mateu, Chief Researcher du Technology Innovation Institute. Basé aux Émirats arabes unis, le TII se consacre à la recherche appliquée dans plusieurs domaines technologiques, avec une ambition clairement affichée : transformer rapidement les travaux scientifiques en propriété intellectuelle, puis en produits commercialisables.
« L’idée consiste à stimuler une innovation qui génère de la propriété intellectuelle, puis à commercialiser cette propriété intellectuelle, afin de faire passer une technologie de l’idée au produit en peu de temps », résume notre invité.
Des agents IA déjà opérationnels dans la recherche
Quelques minutes avant l’entretien, le chercheur avait présenté plusieurs applications de l’IA agentique à la R&D. Des usages qui ne relèvent plus, selon lui, d’une vision futuriste. « Nous les déployons actuellement au sein du TII. Nous sommes dans une phase de validation de la technologie », précise-t-il.
Deux cas d’usage auraient déjà produit des résultats particulièrement encourageants : « Grâce aux agents, nous sommes passés de six heures de travail à environ une heure. »
Victor Juan Mateu se garde toutefois de présenter les agents comme des chercheurs autonomes capables de conduire seuls l’intégralité d’un projet scientifique. « Nous ne disons pas que les agents peuvent effectuer tout le travail lourd d’un projet de recherche. En revanche, ils peuvent considérablement augmenter et améliorer les capacités de nos experts. »
L’objectif est de permettre à chaque scientifique d’explorer davantage de pistes, de tester plus rapidement ses idées et de disposer, virtuellement, de sa propre équipe. « Je ne veux pas remplacer les chercheurs. Je veux les augmenter. Je veux que chacun d’eux dispose d’une équipe et puisse mieux faire progresser une idée jusqu’au produit. »
Cette approche rejoint un constat désormais central dans les projets d’IA en entreprise : les gains ne viennent pas mécaniquement d’une réduction des effectifs, mais de la capacité à redessiner le travail et à augmenter les professionnels. Une analyse également mise en avant par Gartner et reprise dans nos colonnes, qui observe que les organisations licenciant pour financer l’automatisation n’obtiennent pas nécessairement un meilleur retour sur investissement.
Trop d’humain dans la boucle peut tuer le passage à l’échelle
L’expression « human in the loop » est devenue incontournable dans les discours sur l’IA responsable. Mais Victor Juan Mateu met en garde contre une supervision humaine permanente qui finirait par annuler l’essentiel des gains attendus.
« Lorsque nous utilisons l’IA, nous cherchons à augmenter la vitesse. Si un expert doit valider très fréquemment chaque résultat produit par l’agent, nous conservons finalement une relation individuelle, presque un pour un. »
Le véritable potentiel de l’IA réside, selon lui, dans sa capacité à exécuter simultanément plusieurs chaînes de travail. Un agent peut faire progresser une idée vers la simulation, la documentation ou la préparation de son industrialisation avant de revenir vers le chercheur.
« Si mon expert peut intervenir après une période plus longue, en sachant que le niveau de fiabilité est suffisant, plusieurs chaînes allant de l’idée à la simulation, puis à la documentation et à l’industrialisation, peuvent être automatisées. L’expert n’intervient alors qu’une première fois pour lancer le travail et une seconde fois pour le valider. C’est là que se trouve la valeur. »
À défaut, poursuit-il, l’entreprise ne bénéficie que d’une progression linéaire : « Nous voulons une mise à l’échelle exponentielle, pas simplement linéaire. »
Une ambition qui suppose néanmoins de définir précisément le rôle, les connaissances, les outils et les actions autorisées pour chaque agent. C’est également l’un des principaux enseignements des six règles proposées par Gartner pour éviter une prolifération incontrôlée des agents IA.
Remplacer l’agent omnipotent par une équipe de spécialistes
Pour réduire les risques de dérive, le TII privilégie des agents étroitement spécialisés plutôt qu’un assistant généraliste capable de contrôler l’ensemble d’un ordinateur.
« Aujourd’hui, lorsque nous pensons à un agent qui fonctionne sur un ordinateur, nous imaginons souvent un très gros agent, connecté à de nombreux outils, adossé à un très grand modèle et capable de piloter toute la machine. C’est précisément ce que nous voulons éviter. »
Victor Juan Mateu propose au contraire de réduire la taille du problème et le champ d’action de chaque agent. « Nous voulons que l’agent soit expert d’une tâche bien précise. Cela définit également un cadre dont il ne doit pas sortir. »
Un agent chargé de réaliser des simulations n’a ainsi aucune raison d’accéder à l’ensemble du système d’information : « Il doit uniquement accéder à son outil de simulation. Il ne dispose d’aucun autre accès et, s’il tente de faire quelque chose en dehors de ce périmètre, il est immédiatement bloqué. »
Cette logique de droits spécifiques, contextualisés et strictement limités à la mission rejoint les principes du Zero Trust appliqués aux identités agentiques. Elle prolonge aussi les travaux présentés à Genève par Bilel Jamoussi, pour lequel les agents IA doivent disposer d’une identité numérique et d’un champ d’action clairement définis.
Une confiance accordée progressivement
Lors des premières utilisations, le TII conserve une validation humaine pour chaque outil sollicité par l’agent. « L’agent doit demander à un humain l’autorisation d’accéder aux outils. Une fois qu’il a démontré qu’il était digne de confiance, nous pouvons progressivement alléger cette validation et commencer à accepter automatiquement certains comportements. »
Les permissions ne sont donc pas accordées globalement et définitivement. Elles sont élargies au fur et à mesure que l’agent démontre sa fiabilité dans un environnement contrôlé.
Le TII prépare également une solution dans laquelle chaque agent fonctionne au sein de son propre conteneur. Ce confinement doit empêcher l’agent d’accéder à des ressources qui ne sont pas explicitement nécessaires à sa mission.
Victor Juan Mateu emploie une image volontairement directe : « Considérez ce conteneur comme une prison. Dans sa prison, l’agent peut uniquement faire son travail, puis dormir. »
Cette isolation technique répond à une inquiétude croissante des DSI et des RSSI : un agent peut sembler respecter les consignes tout en adoptant des stratégies inattendues pour atteindre son objectif. Les expériences récentes sur le désalignement agentique montrent précisément pourquoi l’observation et la limitation des privilèges doivent être intégrées à l’architecture, et non ajoutées après le déploiement.
Un grand modèle pour orchestrer, de petits modèles pour exécuter
Toutes les tâches ne nécessitent pas la même puissance de calcul. Dans l’architecture imaginée par le TII, un grand modèle joue le rôle de chercheur principal. Il reçoit la demande, l’interprète, construit un plan et coordonne les autres agents.
« Cet agent doit s’appuyer sur un très grand modèle, car il doit comprendre la requête, la traiter, créer un plan et orchestrer les agents. Il lui faut beaucoup de puissance. »
Les agents exécutants peuvent en revanche reposer sur des modèles beaucoup plus compacts. « Pour lancer une simulation, en comprendre le résultat et transmettre une réponse à l’agent principal, les modèles peuvent être très petits. Ils peuvent même fonctionner directement sur un ordinateur portable. »
Cette exécution locale présente un avantage important en matière de confidentialité : « Vous n’avez pas à partager les informations relatives à vos processus ou les résultats de vos expériences avec une entité extérieure. »
Les mêmes principes s’appliquent aux équipements en périphérie. Un petit modèle embarqué sur un drone pourrait, par exemple, analyser un terrain afin d’identifier les zones adaptées à la plantation d’arbres, avant de transmettre ses observations au système orchestrateur.
« Certains agents ont besoin d’une infrastructure et d’une puissance considérables. D’autres peuvent remplir leur mission avec beaucoup moins de ressources. Nous n’avons pas besoin d’un grand modèle pour toutes les tâches. Nous recommandons même de réduire autant que possible la taille du modèle et de rester très attentif à la consommation générée. »
Une stratégie qui n’est pas sans rappeler les travaux récents autour de MagenticLite et des architectures agentiques reposant sur de petits modèles, mais aussi aux nouveaux environnements locaux conçus pour exécuter, isoler et gouverner les agents directement sur les postes de travail.
Au fil de l’entretien, Victor Juan Mateu dessine finalement une IA agentique assez éloignée du fantasme de l’agent universel et totalement autonome. Le passage à l’échelle repose au contraire sur une division stricte des tâches, des permissions minimales, une confiance graduelle et une combinaison raisonnée des modèles.
Il ne s’agit donc pas de confier la recherche à une intelligence artificielle toute-puissante, mais d’offrir à chaque chercheur un collectif d’agents spécialisés, rapides et confinés. Une équipe numérique dont l’humain reste le responsable, sans être contraint d’en surveiller chaque geste.
À LIRE AUSSI :
À LIRE AUSSI :
À LIRE AUSSI :
